淡水湖中的污染源识别,分类和预测:一个混合水质评估框架,整合机器学习
Sudhakar Ningthoujam1, Santanu Mallik2, Potsangbam Albino Kumar3
1Department of Civil Engineering, National Institute of Technology, Manipur, Langol-795004, India.
Environmental monitoring and assessment
|March 13, 2026
概括
本研究引入了使用多变量统计和机器学习 (ML) 来评估淡水质量和识别污染源的混合框架. 该模型有效地捕捉季节性变化并归因污染,有助于预测性管理.
科学领域:
- 环境科学 环境科学
- 评估水质水质的评估.
- 生态监测 生态监测
背景情况:
- 淡水生态系统对于生态平衡和生物多样性至关重要.
- 季节性变化显著影响水质和污染动态.
- 传统的水质评估方法往往是低效和复杂的.
研究的目的:
- 开发和评估一个混合框架,将受体模型,多变量统计和机器学习 (ML) 结合起来,用于季节性水质评估和污染源识别.
- 用完整和减少的数据集来比较各种ML算法在预测污染源方面的性能.
- 为了解和管理淡水系统提供一种有效的方法.
主要方法:
- 利用正矩阵因子化 (PMF) 和一个受体模型来识别污染源.
- 使用主要组件分析 (PCA) 来证实污染源的识别.
- 应用监督的ML分类算法 (XGBoost,CatBoosting,Random Forest,SVC,KNN,决策树) 来预测污染源,并使用交叉验证和学习曲线评估模型性能.
主要成果:
- 确定了三个主要的污染因素:生物地化学过程 (15-30%),沉积物再悬浮/营养物流入 (25-45%),以及人为污染 (40-70%).
- 使用完整的数据集,XGBoost在污染源识别方面取得了最高的准确性 (96.3%).
- 机器学习模型表现出稳定的分类准确度 (70-81%),在现场数据减少的情况下,突出了实际应用.
结论:
- 混合框架有效地应对季节性变化,并归因于淡水生态系统中的污染源.
- 该研究证明了ML在加强水质评估和污染管理策略方面的实用性.
- 这些发现有助于改善对淡水系统管理的生态理解和预测能力.
